[논문리뷰]AI를 이해하는 사람은 왜 AI를 더 말하게 되는가

From understanding to influence: the interplay of AI literacy, self-efficacy, and trust in predicting communication students’ AI adoption and word-of-mouth

Daniel-Rareș Obadă, Camelia Gradinaru, Ioan-Alexandru Gradinaru

Front. Commun., 07 January 2026
Sec. Culture and Communication
Volume 10 - 2025 | https://doi.org/10.3389/fcomm.2025.1722464

AI 시대의 질문은 ‘쓸 것인가’에서 ‘어떻게 퍼지는가’로 이동한다

생성형 AI를 둘러싼 많은 논의는 사용 여부에 머문다. 학생들이 AI를 쓰는가, 얼마나 자주 쓰는가, 과제에 활용하는가, 직업 현장에서 활용할 준비가 되었는가 같은 질문이다. 그런데 이 논문은 AI를 쓰는 사람이 왜 다시 AI를 말하게 되는가. 어떤 사람이 AI를 주변에 추천하고, 어떤 사람은 조용히 거리를 두는가를 질문한다. AI 채택을 개인의 선택으로만 보지 않고, 커뮤니케이션 환경 안에서 확산되는 태도로 본다.

논문의 대상은 루마니아의 커뮤니케이션·PR 전공 학생들이다. 이들은 AI를 개인적으로 사용하는 학생인 동시에, 곧 조직과 대중 사이에서 메시지를 다루게 될 예비 전문가들이다. PR과 커뮤니케이션 영역에서 AI는 이미 콘텐츠 작성, 고객 응대, 데이터 분석, 캠페인 기획, 여론 모니터링 등에 들어와 있다. 따라서 이 학생들이 AI를 어떻게 이해하고 신뢰하며 말하는지는 단순한 학생 설문 이상의 의미를 갖는다. 이들은 미래의 AI 사용자이면서, AI에 대한 사회적 인식을 만들고 전달할 가능성이 높은 집단이다.

연구 제목이 말하듯 핵심 흐름은 “이해에서 영향으로” 이어진다. AI를 이해하는 능력이 사용 자신감으로 이어지고, 사용 자신감이 사용 의도로 이어지며, 사용 의도는 다시 다른 사람에게 AI를 말하고 추천하는 행위로 이어진다. 반대로 프라이버시 우려와 알고리즘 회피는 이 흐름을 끊는다. 논문은 이 과정을 하나의 심리적·커뮤니케이션적 경로로 정리한다.

AI 리터러시는 기술 숙련이 아니라 판단의 조건이다

이 연구에서 가장 중요한 출발점은 AI 리터러시다. 논문은 AI 리터러시를 AI가 무엇인지 알고, AI 제품을 식별하고, 결과를 평가하고, 윤리적 기준 안에서 사용할 수 있는 능력으로 본다. 여기에는 기술 지식도 포함되지만, 더 중요한 것은 판단이다. AI가 만든 결과를 그대로 받아들이는 것이 아니라, 언제 신뢰할 수 있고 언제 멈춰야 하는지 가늠하는 능력이 AI 리터러시의 핵심에 놓인다.

이 점은 현재 대학 교육에서 특히 중요하다. 많은 학생은 디지털 환경에서 자랐기 때문에 자연스럽게 AI도 잘 다룰 것처럼 여겨진다. 하지만 논문은 이런 가정을 경계한다. 인터넷을 많이 쓴다고 해서 곧바로 AI를 깊이 이해하는 것은 아니다. 실제 연구 결과에서도 인터넷 사용은 AI 리터러시에 긍정적 영향을 주지만, 그 효과는 크지 않다. 인터넷 사용은 출발점이 될 수 있지만, 판단 능력을 대신하지 못한다.
전자는 도구를 익숙하게 켜고 끌 수 있지만, 후자는 결과의 성격과 한계를 읽는다. 생성형 AI가 그럴듯한 문장을 만들 때, 그것이 정확성의 증거인지 문체의 효과인지 구분해야 한다. 추천 알고리즘이 어떤 결정을 제안할 때, 그것이 데이터 기반 판단인지 편향의 반복인지 살펴야 한다. 논문이 말하는 AI 리터러시는 이 구분선을 만드는 능력에 가깝다.

쉽게 느껴질수록 자신감이 생긴다

연구 결과에서 가장 강하게 나타난 관계 중 하나는 AI 리터러시와 ‘지각된 사용 용이성’ 사이의 관계다. AI를 더 잘 이해한다고 느끼는 학생일수록 AI 기반 앱과 웹사이트를 더 쉽게 사용할 수 있다고 여긴다. 그리고 AI가 쉽게 느껴질수록 자기효능감도 높아진다. 여기서 자기효능감은 “나는 AI를 활용해 과제를 수행할 수 있다”, “AI 기반 플랫폼과 효과적으로 상호작용할 수 있다”는 믿음이다.

이 흐름은 교육 현장에서 자주 목격되는 장면과 닮아 있다. 어떤 학생은 AI를 써도 계속 불안해한다. 결과가 맞는지 모르고, 프롬프트를 어떻게 바꿔야 하는지도 모르며, 틀렸을 때 어디를 수정해야 하는지 알지 못한다. 반면 어떤 학생은 AI를 완벽하게 신뢰하지 않더라도 다룰 줄 안다. 질문을 바꾸고, 결과를 비교하고, 출처를 확인하고, 자신의 목적에 맞게 다시 편집한다. 두 학생의 차이는 단순한 사용량보다 이해의 구조에 있다.

논문은 이 구조를 수치로 보여준다. AI 리터러시는 사용 용이성에 큰 영향을 주고, 사용 용이성은 다시 AI 자기효능감에 영향을 준다. 즉 AI가 쉬워 보여서 잘 쓰는 것이 아니라, 어느 정도 이해하기 때문에 쉬워지고, 쉬워졌기 때문에 더 자신 있게 다루게 되는 순서가 작동한다. 이 대목에서 AI 교육의 방향도 발생한다. 도구가 어떤 방식으로 작동하고, 어떤 상황에서 유용하며, 어떤 지점에서 실패하는지 알려줄 때 사용 자신감이 생긴다.

신뢰는 늘어날 수 있지만, 맹신과는 다르다

논문의 또 다른 중요한 축은 신뢰다. 연구 결과에 따르면 AI 리터러시는 AI 결과에 대한 신뢰를 높인다. 얼핏 보면 많이 알수록 더 조심스러워져야 하는 것 아닌가 하는 생각이 들 수 있다. 그러나 여기서 신뢰는 맹목적 수용과 다르다. 논문은 AI 리터러시가 ‘적절한 신뢰’를 가능하게 한다는 기존 연구 흐름과 연결된다. 잘 모르는 사람은 AI를 과신하거나 전면 거부하기 쉽다. 반면 어느 정도 이해하는 사람은 상황에 따라 신뢰의 강도를 조절한다.

AI에 대한 신뢰는 무조건 높을수록 좋은 값이 아니다. 신뢰가 너무 낮으면 활용이 막히고, 너무 높으면 검증이 사라진다. 필요한 것은 균형이다. 논문에서 AI 리터러시가 신뢰를 높인다는 말은, 학생들이 AI 결과를 더 무비판적으로 받아들인다는 뜻이라기보다 AI와 상호작용할 기준을 갖게 된다는 뜻에 가깝다.

다만 이 신뢰는 프라이버시 우려와도 연결된다. 연구에서는 AI 결과에 대한 신뢰가 높을수록 프라이버시 우려가 낮아지는 경향이 확인된다. 사용자가 AI 시스템을 신뢰하면 개인정보 노출이나 데이터 오용 가능성을 덜 걱정하게 된다는 뜻이다. 이 결과는 실제 사용 환경을 잘 보여준다. 사람들은 편리하고 유용하다고 느끼는 기술 앞에서 위험 감각을 낮추곤 한다. 특히 AI가 자연스럽게 답하고, 친절하게 반응하고, 과제를 도와줄수록 시스템 뒤편의 데이터 흐름은 덜 보이게 된다.

프라이버시 우려는 알고리즘 회피로 이어진다

논문은 AI 수용의 긍정적 경로만 보지 않는다. 프라이버시 우려가 높아지면 알고리즘 회피도 높아진다. 여기서 알고리즘 회피는 AI나 알고리즘의 결정을 따르지 않으려는 태도를 뜻한다. 사람들은 알고리즘이 효율적이라는 것을 알면서도, 개인정보가 어떻게 쓰이는지 불안하거나 시스템의 판단을 믿기 어렵다고 느끼면 거리를 둔다.

이 과정은 오늘날 AI 사용의 현실적인 긴장을 잘 드러낸다. 많은 사람은 AI가 유용하다는 사실을 인정하면서도, 동시에 찜찜함을 느낀다. 챗봇은 편리하지만 내가 입력한 내용이 어디로 가는지 궁금하다. 추천 시스템은 정확하지만 내가 무엇을 보고, 사고, 말하는지 지나치게 많이 알고 있는 듯하다. 생성형 AI는 빠르게 도와주지만, 그 결과가 어떤 데이터와 기준에서 나왔는지 불투명하다. 이런 감각이 쌓이면 사용자는 알고리즘의 제안을 따르기보다 자신의 판단으로 돌아가려 한다.

연구에서 알고리즘 회피는 AI 사용 의도와 구전 의향 모두를 낮춘다. 즉 알고리즘을 꺼리는 학생은 AI를 덜 쓰려 할 뿐 아니라, 다른 사람에게 AI를 덜 추천한다. 이 지점에서 AI 채택은 개인의 사용 습관을 넘어 사회적 확산의 문제로 바뀐다. 한 사람이 AI를 불신하면 그 사람의 사용만 줄어드는 것이 아니라, 그 사람이 속한 네트워크 안에서 AI에 대한 말의 흐름도 달라진다.

AI를 쓰겠다는 마음이 추천을 만든다

논문에서 가장 강한 관계는 행동 의도와 구전 의향 사이에서 나타난다. AI를 앞으로 더 사용하겠다는 의도가 강한 학생일수록 다른 사람에게 AI를 추천하고 긍정적으로 말할 가능성이 높다. 이 결과는 어찌 보면 당연해 보이지만, 커뮤니케이션 전공 학생을 대상으로 했다는 점에서 더 중요하다. PR과 커뮤니케이션 분야에서 구전은 기술에 대한 평판, 조직의 메시지, 대중의 수용 분위기를 형성하는 실제적 힘이다.

AI 사용 의도는 논문의 모델 안에서는 자기효능감과 알고리즘 회피가 함께 작동한 결과다. 자신이 AI를 다룰 수 있다고 느끼면 사용 의도가 높아진다. 반대로 알고리즘에 대한 회피감이 커지면 사용 의도는 낮아진다. 결국 AI에 대한 추천은 기술의 성능만으로 생기지 않는다. 사용자가 자신의 능력을 어떻게 느끼는지, AI를 얼마나 쉽게 여기는지, 결과를 어느 정도 신뢰하는지, 개인정보 위험을 어떻게 감각하는지에 의해 만들어진다.

이 관점은 AI 확산을 이해하는 데 유용하다. 사람들은 도구를 사용하면서 동시에 해석한다. 편리함을 느끼고, 불안을 조절하고, 타인의 반응을 살피고, 자신의 전문성과 연결한다. AI가 사회에 퍼지는 과정은 기술 배포의 문제가 아니라 의미 형성의 문제이기도 하다.

커뮤니케이션 이론은 인간과 인간 사이에만 머물 수 없다

이 논문은 이론적 배경에서도 중요한 전환을 제시한다. 커뮤니케이션 연구는 오랫동안 인간과 인간의 상호작용을 중심으로 발전했다. 그러나 AI는 이제 단순한 전달 매체가 아니다. 메시지를 생성하고, 추천하고, 번역하고, 수정하며, 때로는 사용자를 대신해 소통한다. 기술이 통로에 머물던 시기와 달리, AI는 의미 생산 과정에 들어와 있다.

논문은 이러한 변화를 설명하기 위해 기술수용모델, 계획행동이론, 이용과 충족 이론, 혁신저항이론, CASA 접근, AI 매개 커뮤니케이션 개념을 함께 호출한다. 이론들이 한 방향으로 모이는 지점은 분명하다. AI는 도구이면서 상호작용 상대처럼 경험된다. 사람들은 챗봇이나 AI 추천 시스템을 대할 때 인간관계에서 쓰던 기대와 규범 일부를 가져온다. 그래서 AI 수용에는 편의성뿐 아니라 신뢰, 불안, 친숙함, 거부감 같은 사회심리적 요소가 깊게 개입한다.

이 연구의 강점은 이 복잡한 요소들을 하나의 경로로 정리했다는 데 있다. 인터넷 사용에서 AI 리터러시로, AI 리터러시에서 사용 용이성·자기효능감·신뢰로, 프라이버시 우려에서 알고리즘 회피로, 다시 사용 의도와 구전으로 이어지는 흐름은 AI 시대의 커뮤니케이션 교육이 무엇을 다루어야 하는지 보여준다. AI 교육은 학생들이 AI와 관계 맺는 방식을 읽고, 조절하고, 설명할 수 있게 해야 한다.